李克强：我简单把参加讨论的嘉宾介绍一下，丰田先进安全系统研发部的项目总监是松尾芳明先生、广汽汽车工程研究院的CTO兼智能网联汽车中心主任黄少堂先生、上汽集团股份有限公司前瞻技术部副总经理项党博士、东风汽车技术中心智能网联研究部部长边宁博士和奇点汽车联合创始人季申先生。

我们这个环节的主题是L3、L4级或者高级别的智能网联汽车产业化所面临的挑战以及我们的应对。

智能网联按照分级来说是五级，自动驾驶技术要产业化，有一系列问题需要突破，第一个是技术，第二个是要协同的产业环境，第三个要检测评估，第四个是要有一系列的标准法规等等保障措施。

我们这个会主要聚焦在两个方面，第一个就是技术，L3、L4真正要突破、产业化到底有哪些技术必须要突破？

大家说这是一个复杂的环境系统，大家谈到环境、感知、决策、控制，你们现在对于L3、L4的考虑，和过去对于辅助驾驶考虑到底有哪些不一样的地方，哪些需要突破？

第二个问题，这样一种技术肯定跟智能网联汽车的发展，跟过去的开发模式不一样，过去是主机厂，OEM供应商主导，现在需要更多产业的协同，我们就谈谈怎么协同来突破这样一个技术。问题就是在L3、L4级，你们在推进产业化过程当中，对于这里面的关键技术的认识和你们所做的工作。

首先请丰田公司的松尾芳明先生。

松尾芳明：我们认为最大的课题是确保安全性和可靠性，现在为了实现自动驾驶，大家都在做一些路测。为了确保人的安全，路测做到什么程度是OK的，需要怎么来证明，这些我们认为是很重要的。我们认为仿真技术是必须的，在这个基础上我们也需要做一些变革。

李克强：我再问具体一点，在感知或者在决策方面，以及底层应用方面，在控制领域怎么保障它的安全性和可靠性？

松尾芳明：关于车辆控制，各种系统用于车辆控制，我们需要把这些控制系统实际去路测，在一般的环境中去跑，这非常重要。特别对于传感器的精度，我认为是非常重要的。

黄少堂：围绕技术层面来讲，我们作为主机厂开发L3、L4的时候也很纠结，一方面我们这些新创的科技公司，他们的运行车似乎铺天盖地，效果体验也确实不错。

这些算法、模型、传感感知和控制都很高大上，一套传感器，一套整车设备，动辄50万、70万，而且都不是车规级的。

作为主机厂，这样的系统把它引用到量产产品上，且不说质量可靠性,但有哪个车主愿意花70万去买这个车，让它无人驾驶？

70万可以雇几个司机，不仅可以给你开车还可以跟你人性化交流，所以我们有点纠结。

但作为国际厂商，他是基于L1、L2做上来的，他就是传统车企一种思维，因为国际企业的思维控制大脑是在国外的，他的考虑就是实现有限场景定义下的L3，基于低成本比较成熟的传感、感知，那就是基本上没有激光雷达，基本都是毫米波雷达、超声波雷达、摄像头。这个方案在短时间做起来，这个数据量，这个成熟度，覆盖的场景比较有限。对于这些公司的要求就是要扩大L3真正的应用场景，不仅仅是一个L3，也要是一个放之四海皆准的L3，应该是比较成熟的L3。

科技公司做了这么好的体验，怎么把它可量产化，基于可量产的传感感知这些方面的融合，又取得跟目前这个车同等体验的效果，这是一个很大的挑战。

基于激光雷达，从64线到32线，考虑成本的时候，降低到低成本的毫米波雷达、超声波雷达以及Camera的时候，你会发现很多你的算法、控制策略、融合就没有这么灵了，所以这就是我们的纠结。

技术的挑战就是，在这个领域怎么样从L1、L2上来的国际公司和创新公司从一开始起是高大上，突然面临产业化压力的时候，有一点点似乎束手无策，需要把它融合起来。

传感感知和决策在这个过程中，现在都是基于传感感知，怎么跟高精度地图，高精度定位，还有基于差分计算、V2X又把它深度集成起来，这个现在行业只是开始了，因为很多场景并不在。

这个融合之后，你可以大大的降低由整车开发控制器进行所有的软件，比如说要把这个智能交通路口、十字路口这么多运算决策的模型，如果把这些智能交通跟车能够充分对话以后，你把一个转弯路口，整车控制器，1.5个T的数据可以从整车上移出来，通过智能交通简单的调度就可以实现，这也是一个挑战。

所以在这个方面即使实现L3，可能还需要一个迭代的过程，需要创新公司、主机厂，然后国际汽车厂合作，L4整个产业链都必须跟上来，否则就是在一个固定封闭模式下的运作。

李克强：刚才黄少堂先生从广汽的角度，谈到自动驾驶做产品从低级往上走，面临很多需求、复杂的场景。另外他谈到跟他们合作的创新公司采用了非常高级的传感器，但是主机厂要非常便宜的传感器，这个怎么衔接。

我们广汽对待这些问题有什么考虑，能否补充一下？

黄少堂：我们考虑，第一就是两条腿走路。这个产品如果走向市场，永远得不到完善和发展。我们以最快的速度、最可靠、最安全的成本可以接受的方式同步开发，结合国际供应商，通过我们的技术进行集成。这个技术因为从L1、L2上来的，它有开发的局限性、场景性，肯定有一个限制，体验肯定不会那么好。怎么办？这就是传统车里面没有的思维，现在一定要有，否则这个技术很难进步。

场景，一开始有几个场景，假如说总体定义这个场景，我一期也许完成十个场景或者三十个场景，我经过OTA技术开始成熟，不一定以OTA形式定，因为早期批量也不会太大。

逐渐根据可靠的迭代，让它逐渐的完善，这是一种方式，实现快速的投入市场。

另外一种方式，主机厂要把这个任务分工，让这些非常优秀的创新创业算法公司你提供模块，我按模块给你这个专利费，一个车卖出去给你多少钱，你做哪一个模块，我们当时划分了从硬件层，从底层、中间层到上面的应用层，我划分以后我们负责集成，当我们能力还不足以集成的时候我引进外界的方案公司。

各取其力，我们从自主的方向上，科技公司要逐步的完善，把你的成本控制往下探，融合方面要加强。

从已经成熟的企业里面，在固定的毫米波雷达、摄像头里面要学会开通一些原始数据，以便我进行融合，今天的毫米波雷达、超声波雷达以及摄像头这些数据，基本上都是闭环的，要达到深度的融合很难完成。

在这种情况下，假如说国际公司不愿意做，我们找国内的初创公司，优势在哪里，把原始的数据全部释放出来，我跟你一起配合，进行融合，我们主机厂不会什么雷达、传感器都做，抢你的业务，这个供应链太长，但是我们融合在一起就能做很多事情，这就是一些自主做雷达和传感器的优势所在，如果你还想打包打一个白盒，竞争优势、比较优势就没有了，这是我们的想法。

两个思路，第一个传统汽车公司学新型的ICT公司快速迭代，先做起来再说，然后再来丰富场景。

然后做一个顶层架构，请各个合作伙伴来填空，特别是初创公司在这里面，包括传统汽车供应商没有的，雷达也好，算法也好，其他的控制也好，包括机器学习也好，可以快速把模块给嵌入进去，从这个方面来解决这个问题。

项党：简单介绍一下上汽在这方面的思考与实践。去年我讲了很多挑战，但是今年这个挑战压力更大，因为我们今年4月份北京车展宣布了我们荣威今年年底将会推出自主泊车功能的车，意味着这是智能驾驶第一次量产化的工作，最近我们感觉在这方面的压力特别大。

无论从感知、决策、执行，每条线都有挑战，无论是L3还是L3走向L4都有挑战。从各个层面看，如果要产业化，你要把里面所有零件当作普通的汽车零件来看。

举例，有增强RTK，这些都是传统的电子行业、通信行业的东西，当它转化为汽车行业的配件的时候，需要耐久、可靠、温度、振动等方机的测试，这是一个很长的过程，不光是成本，它的性能要适应车的需求，这是一个挑战，我相信这个业务链都要在这个挑战上完成自己的工作。

因为我们年底要量产化，我们有强烈的这个感受。

第二个，讲到智能驾驶就要讲到人工智能和算法，L3到L4是必然的。3016的标准里面有几个名词非常有意思，ODD，对外界真正的响应主体是谁，在L3这个地方就开始了。

在这个过程中，逃不开人工智能的算法，无论是感知到执行、决策，这里面的深度学习、增强学习、机器学习是逃不了的。

现在初创公司，包括我们自己主机厂，包括零部件供应商都在做这个方面很多算法，从硬件到芯片，其实量产化之后，很多的算法，要压缩，要裁减，要移植。

很多的问题，在这个过程中量产是必然存在的。

一辆DEMO CAR好做，但到了嵌入式的时候，中间的任何调动完全是不太一样的。主机厂现在是做上层的应用，但是主机厂现在也在往下提出要求。

我认为我们谈到智能驾驶，我相信感知部分，执行、决策都很重要。

第一是量产化需求，第二进一步的需求就是高精度地图，还有从单车智能到车队智能。

智能车推广不仅仅是车本身，还有环境、系统智能。

第三个就是算法，AI、芯片、车端的操作系统也要好好做。

另外一个就是高冗余度的可靠底盘系统，如果没有这些系统，所有的智能网联就是一句空话。在这点上传统汽车零部件厂商有很多机会，当然也可以说这块挑战很大，机会也很多。

到了感知这个阶段，人和机器怎么交互？

这个时候如果进入量产就要站在顾客的角度来看这台车，而不是原地谈这件事情，对驾驶员行为的监测，我觉得这应该是一个重点，因为在这件事情上，这两年谈的并不多，更多的谈感知、算法，所以这就是我的一点体会。

针对李克强老师的第二个问题，智能驾驶大家都在做，传统企业、新势力企业、互联网企业都在做，包括一些Tier1的供应商。

我97年做汽车，做了几十年的传统汽车。

智能驾驶所有场景都是互相交互变化的过程，不是传统的。

现在对于自动驾驶已经呈现了一个多层和跨层交流的方式，

就是主机厂可能会谈到芯片怎么做，这个里面的软件，中间层要怎么定义，对OS、RTOS怎么定义，已经到了这个层面。

刚才黄总讲的比较直接，就是我要基础数据，我也要做学习和融合。

所以整个汽车行业思路要做一点变化，就是要做跨界的交流和融合，而不是单向的。

李克强：下面请边宁博士谈谈。

边宁：从智能驾驶可能从性能层面上还有一个舒适性的问题，也比较棘手。走到辅助驾驶或者人机共驾或者未来的自动驾驶，可能每个人的驾驶风格、驾驶技巧，或者驾驶技能都有比较大的差异。

所以说可能我们在开发智能驾驶或者人机共驾、自动驾驶的时候可能还得按照某一个人的驾驶风格最终来私人定制这样一个智能驾驶的系统，这个是从性能角度上。

第二个，刚才项总谈到，L3、L4从传感到控制，到规划决策，到执行，其实现在所有的零部件和系统现在都面临挑战，刚才黄总讲到因为安全原因使得价格可能是现在转向和制动这块乘以3或者乘以5，这还不包括计算平台。

传感器本身，现在比较欣喜看到国内有很多创业的，但对于我们来说我们更加希望能有车规级的产品，质量比较稳定的传感器。

整个执行器，备份主动转向或者备份主动制动这块现在来看代价非常大。

比如我们现在从安全角度，EPS有一个功能安全里面它的出错概率，在转向方面的出错率是300—600的（非特率），但如果我们行业如果想做到L3级别，你的非特率要降到100，L4级别可能要降到个位数，这个代价非常之大。

制动也一样，要有备份的主动制动，这个代价非常巨大。

我们一致认为感知融合这一块，对于环境的感知融合，以及感知融合过程中对现在的交通态势的估计、对未来交通态势的预测这一块可能是现有的中国这种交通条件下的挑战是非常巨大的。

另外我们也在走两条技术路线，一个是迭代的过程，从L1、L2到L3，从纵向的ACC到横向的LOKA、LCA到高速公路上的交通拥堵辅助，再到高架上的相对快速路。

还有一条就是现在有很多创新企业讲的从L5直接切入，用摄像头做深度学习，对环境感知这一块的工作。

对于我们来说，最重要的就是大家都在挑战2020年这个时间点。在安全前提下，在成本一定的情况下能够实现这样的一些功能。

我们也在尝试直接从L5切入的方案。

我本人的经历是从集成底盘开始然后往上做辅助驾驶。从安全或者集成底盘控制的角度出发，我们有两点，一是现在做深度学习一直不能突破，在我学习的过程中，有观点说工程化可以Practical，但其实AI东西对于工程化的挑战是非常巨大，因为相同的输入有可能会得到不同的输出，这个时候不大清楚后面要怎么来做这个问题。

我们现在在做一些数据采集，一些测试验证，从L1、L2、L3往上走，或者从上面往下走，可能现在对于整个交通基础设施或者结构化的交通基础设施这一块的依赖性可能越来越大，毕竟路况实在是太复杂了。

所以也有个疑问是不是结构化的道路或者结构化的交通基础设施快速的推进可以相对来缓解目前环境感知传感器，或者整个环境感知融合带来巨大安全的这个压力。

我们现在在做什么，两条技术路线都在走，一方面利用国际供应商的资源或者能用上的国内的供应商资源，一方面我们自己也在成立专项的攻关小组在推进。

季申：我来自于奇点汽车,我们从L2到L3、L4的时候，随着人的手和脚可以同时解放出来之后，其实最大的问题在于我们怎么对于一些所谓的极端情况下怎么去处理。过去出了不少的交通事故，这种交通事故完全是比如前摆的车身或者是晚上没有路灯的情况发生的。L3、L4的时候，当极端的事情发生的时候，我们怎么能够让车保证它的安全功能，以及保证它的功能的可靠性，这个非常重要。

简单谈一下我们奇点汽车在自动驾驶这一块的做法，我们的技术路线很简单，因为受到成本的限制，包括我们对于互联网方式的思考，我们采用了一种可能众包的方式发展我们的自动驾驶路径。目前我们的车完全可以做到L2级别的自动驾驶，我也自己亲自体验了一把，效果还是非常好的。

再往后升级的做法有两个方向，一个是车预先布置所有的雷达，它的硬件设施是为L3做好准备的，但是我在车上运行的软件还是L2级别的。

车在交互过程中经过大量的实验和可靠性、安全性测试之后，对于用户来说使用没有问题。当这个车上路之后，得到用户授权之后会不停采集他的数据，数据采集过来通过云端的深度学习，不断去优化算法，反过来再去赋能这辆车，使得这个车通过OTA升级的方式达到L3级别的自动驾驶。

再往后看，仅仅依靠单个整车厂去做技术上的升级或者做资源整合是完全不够的。我非常的同意边总的做法，自动驾驶是一个社会化运营的东西，它不是整车厂自己就能够完成的，我们原来驾驶车辆或者驾驶马车是探及生物主导的行为，人作为一个生物来主导。

到自动驾驶完全是以芯片主导的驾驶行为，它必然会去要求一种新的车与车之间、车与设备之间，还有交通法规的变化，来适应新的交通协议的产生，这是我们面临的一个挑战。

李克强：第二个问题我再稍微细化一下，大家有兴趣讲的都回答一下。有些技术一个是主机厂一家是做不了的，甚至是一个行业都做不了的。在这个过程当中还是强调相关的技术是需要突破的，需要协同突破的。能不能给我们举一个例子，比如说你们认为在哪些方面，你们怎么考虑，怎么协同突破这样一些技术？

松尾芳明：现在技术革新非常的快，只靠OEM是不能达到说的完全的自动驾驶，所以需要跟不同的一些新兴行业进行去协作，就是我们可以协作的一定要去协作，这个是非常重要的。特别是在中国最近发展非常快，我们认为跟中国的一些新兴的行业、企业进行协作是无论重要的，这也是我们一直考虑的事情。

季申：我认为随着自动驾驶、智能网联车出来之后，这个车跟以往的车有很大的不同。过去一辆车可能10%的部分是软件的工作量，或者是软件的成本在里面。但是随着自动驾驶加入之后随着代码的复杂度可能都超过一些战斗机上的军用设施。未来我们做自动驾驶的时候，里面的软件代码，包括软件工作量可能会逐步占到60%，甚至更多。这就要求我们主机厂本身在一些技术力量的变换上，可能会需要通过更多软件的人才，这是一个方面。

另外一个方面，每个企业都有各自的优势所在，比如说奇点汽车我们的优势是在于我们的软件能力或者我们的算法能力。

所以在合作方面我们也会对所有的零部件供应商，比如雷达、摄像头，我们更多的会要求他们要对我们提供一个数据开放的能力，在基于他们数据上做融合。另外一个方面在计算的平台上选择，我们会选择一些国际的大厂，比如目前我们选择的是英伟达跟我们合作。

第三在云平台的能力建设方面，我们也是采用自主的方式，自己在建设一个云平台的AI云脑来服务于我们公司的自动驾驶对于深度学习计算的要求。

我们行业是一个倒金字塔型的，在底层技术方面，比如传感器、摄像头这方面，各个大厂技术趋同，我们如果能够自主区分的是在哪里，是基于这些传感器融合之后上面的软件能力、算法能力，以及在多场景化的应对能力，这是我们每个主机厂自己完全可以做到的。

黄少堂：现在做L3，无非是做一个控制器，控制器里面有硬件、软件、中间层的区别，我们现在怎么解决？现在把前碰预警AEB、道路偏移，做控制器的时候，这个控制器的目的，把这些四、五个模块功能集成在控制器里面，否则做控制器干什么？

一个核心就是实现L3的时候，在代替眼睛、手、大脑、脚的时候，同时需要减少汽车已有的控制模块。

我们传祺一开始出来的时候，第一辆车GI5大概有15个模块的ECU，到现在我们G18达到了60多个ECU，甚至到80个ECU，我们预控制器的概念就是要减少这些控制器。

有这些硬件成本在里面，核心算法，像GPU，CPU、MCU，现在功耗也大。把既有的功能要集成，既有的ACC、AEB统一到一起。

我发现一个问题，我的一个工程师说我们现在面临的挑战是一个路面的识别和摩擦系数，一个TED动态模型，另外还有一个车身的状态。

他就搞了很长很复杂的公式在学习这个东西，他说要把它作为我们控制执行的软件。

所以要更好地设计ACC、AEB这些软件。

我当时回答说这个行业做无人车它的物理基本都在那里，我们不要从发明人开始，汽车100多年的积累是什么？底盘控制车辆动力学，轮胎的模型、数据的模型、车辆的模型其实经过全世界多少亿辆车、多少亿公里的总结已经有标准化参数在里面，掌握在大型的国际跨国集团手上。

国内也有一些软件企业，我们可以跟他合作，你把基于车胎的模型、动态的模型，路面的判断以及车身状态在不同情况，转弯、加速情况下可以共同探讨，是不是可以以软件跟我合作，付开发费的形式给你，集成到我的系统里面。还是像APP商店里面基于一个应用来打包，这样的话可以以IP一个模块一个模块的，这个模型的价值不是简单的公式，就是大量的经过时间、温度，汽车有四个轮子，有轴距、车身、车高。小车跟开大车不一样，发动机的动力不一样，在模型中，这个数据不是靠计算来的，这是一个实验科学。里面有很多的积累，我们跟这些汽车厂商合作。如果我们再坚持去发展，用公式找一大批PHD再完善这个模型需要多少年，我们在这里就整合、集成，用其他的技术解决这样的技术问题。

李克强：总结一下，我们今年是第五届年会，感受很深，第一，更加引起大家的重视，大家对智能网联汽车的这个领域感兴趣的人更多了。第二个，更觉得我们这样一个会议的水平提升了，前几届我们讲请海外的来讲，基本都讲智能汽车是什么，国际发展趋势是什么，我们大概应该怎么做，现在我们讲的包括像今天几位，他们的介绍，可以看出我们中国的企业在这方面应该对智能汽车有深刻的理解，这个理解来源于他们本身已经有战略，已经有很好的时间，所以这是我对会议非常深的一个印象。

我们在谈到发展的技术，是需要去解决，需要去突破，另外这个技术的突破方法，大家也看到应该还是首先各个企业立足于自身，另外这个技术确实有很多方面是需要我们协同的，企业、主机厂、供应商的协同，包括跨界的，制造业和信息业的结合。我想我们中国的智能网联汽车发展是有希望的。